A laboratórium a Beágyazott mesterséges intelligencia tantárgyban megszerzett ismeretek gyakorlati alkalmazását tűzi ki célul. A laboratórium elsődleges fókusza, hogy a hallgatók valódi fizikai méréseken, illetve adathalmazokon önállóan legyenek képesek mesterséges intelligencia módszereket alkalmazni, illetve gyakorlati tapasztalatot szerezzenek ezek előnyeiről, illetve korlátairól. Az algoritmusok implementálását beágyazott platformokon valósítjuk meg.

1. Neurális hálózatok hibavisszaterjesztési algoritmusának gradiensalapú vizsgálata beágyazott környezetben, a tanulási tényező paraméterezése a momentum, a batchméretek és a pillanatnyi meredekség alapján.
2. Különböző aktivációs függvények hatása a tanulás sebességére, illetve a modell teljesítményére. Neurális hálózat modellek robusztusságának vizsgálata dropout, illetve ablation módszerekkel.
3. Bias-variancia dilemma vizsgálata gépi tanulási módszerekben. A tanító adathalmaz zajkomponensének azonosítása, és ennek hatása a legjobb elérhető modellteljesítményekre.
4. Neurális hálózat architektúrák GPU-alapú gyorsítása, ezek aspektusai mind tanítási, mind lekérdezési használat során. Mátrixműveletek elvégzése SIMD architektúrákon, a párhuzamosíthatóság korlátai.
5. Konvolúciós neurális hálózatok tanítása, modell robusztusságának növelése augmentált (eltolt/zajos/forgatott/tükrözött) mintahalmazzal.
6. Osztályozó rendszer megvalósítása többszintű feldolgozással, osztályozás neurális hálós és fuzzy megközelítéssel.
7. Alkalmazott együttes idő- és frekvenciabeli transzformációk tervezése hardveres környezetben. Periodikus jelek feldolgozása, főbb paraméterek kinyerése.
8. Adatelemzés munkafolyamata (outlier detekció, adattisztítás, hiányos adatok kezelése, tudásmodellezés). Modern beágyazott szenzorplatformok (okos, hordható eszközök) fizikai mérési tartományainak vizsgálata.
9. Kálmán-szűrők alkalmazása offline szenzorfúzió megvalósítására. A giroszkóp, magnetométer és gyorsulásmérő integrálásából elérhető hely- és helyzetmeghatározás alkalmazhatóságának elemzése.
10. Valós idejű szenzorfúzió megvalósításának lehetőségei és korlátai alkalmazott beágyazott rendszereken. Modellkomplexitás és fogyasztás kapcsolata, egyes hardverarchitektúrákon elérhető számítási teljesítmény vizsgálata.